Traffic Signal Phase Scheduling Based on Device-to-Device Communication
Notice bibliographique
Résumé
Device-to-device (D2D) communications enable direct communications among mobile entities, which brings new revolutions to existing cellular networks. Many use cases which can benefit from D2D are introduced such as vehicles-to-vehicles communication, vehicles-to-infrastructure communication, machine-to-machine communication, and so on. With the help of these information communication techniques, we propose a real-time traffic signal control approach to relieve traffic problems in this paper. Currently, a series of traffic problems, such as traffic congestion, traffic accidents, and vehicle exhaust emission, are increasingly inconveniencing city residents, especially in rush hours. One of the most dominating approaches to relieve the traffic congest is to determine the phase timing of traffic signals. However, a major shortcoming of the existing phase timing related control strategies is of highly computational complexity, which causes, to some extent, a response delay. The approach based on D2D communication, in this paper, on one hand can collect data of various types via sensors and actuators and on the other hand can reduce the response time as much as possible. Specifically, considering an intersection with four legs, we encoded the corresponding set of signal lights of each leg using a genetic algorithm. To evaluate the efficiency of phase timing plan in this paper, we have conducted extensive simulations, and the results show that our approach can respond to the considered traffic flow within one second. Compared with other traffic signal control systems, the performance is improved almost by 67% with regards to the queue length waiting at the intersections during traffic signal light cycle(s).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».